原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种基于Paillier加密的隐私保护拜占庭鲁棒联邦学习方法及系统，方法包括下述步骤：S1、生成密钥；S2、本地训练；S3、加密上传；S4、计算距离；S5、计算权重；S6、更新全局模型；S7、下发全局模型。现有技术中，多数技术防御联邦学习拜占庭攻击都需要获知局部模型的明文，然而这会导致用户的隐私安全得不到保障，在联邦学习框架下是不被允许的，同时一些对服务器隐藏用户局部模型的联邦学习的安全聚合方案又无法防御恶意用户的拜占庭攻击。因此本发明使用Paillier加密和拜占庭鲁棒聚合技术，同
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116938450 A
(43)申请公布日 2023.10.24
(21)申请号 202310928745.3
(22)申请日 2023.07.26
(71)申请人 华南理工大学
地址 510640
文档评论（0）